Sunteți pe pagina 1din 17

TEMA 8:

Specificarea greşită a
modelului de regresie
AplicaŃie privind analiza economiei informale

AplicaŃie realizată în cadrul Contractului de cercetare PN II PC_91-054


Obiectivele temei 8

O1: Analiza variabilelor omise din cadrul modelului


sau includerea eronată a unor variabile explicative;
O2: ImportanŃa alegerii corecte a formei funcŃiei de
regresie;
O3:Analiza formei repartiŃiei variabilelor reziduale.

07/08/2009 2
Aplicatia temei 8

1. Sa se defineasca un model de regresie, iar estimarea


parametrilor să se realizeze pe baza unor serii de timp.

2. Sa se analizeze dacă sunt omise din modelul de regresie


variabile explicative.

3. Sa se studieze redundanŃa unor variabile explicative.

4. PrecizaŃi dacă modelul de regresie este corect specificat.

07/08/2009 3
Variabile omise şi redundante (1)
ConsecinŃele omiterii de variabile explicative

1. Estimatorii sunt deplasaŃi şi neconsistenŃi;


2. Variabilele reziduale nu sunt de medie zero şi sunt autocorelate.

ConsecinŃele includerii greşite de variabile explicative

1. Includerea greşită a unei variabile explicative deterină o creştere a


valorii lui R2, în condiŃiile în care SPE, practic rămâne neschimbată;
2. Semnul parametrilor estimaŃi nu se schimbă;
3. Valorile statisticii t-Student, nu se modifică apreciabil de la o estimare
la alta.

ObservaŃie: Pentru includerea sau excluderea uneia sau mai multor


variabile din model, trebuie sa avem în vedere teoria economică.
07/08/2009 4
Cauze
1. În cadrul modelului de regresie nu sunt introduse variabile
explicative importante pentru explicitarea lui Y;

2. Nu este aleasă forma corectă a modelului de regresie;

3. Cauze datorate seriilor de date folosite pentru estimarea


parametrilor:
• sunt folosite serii de date afectate de sezonalitate;
• seriile de date sunt nestaŃionare;
• agregarea seriilor de date (Exemplu: se trece de la date lunare la
date trimestriale);
• sunt folosite serii de date obŃinute în urma aplicării operatorului de
diferenŃă (Exemplu: nu se lucrează cu valori absolute, ci cu creşteri
de la o perioadă la alta).
07/08/2009 5
ConsecinŃe
1. In prezenŃa autocorelării erorilor, estimatorii parametrilor
estimaŃi prin metoda celor mai mici pătrate au următoarele
caracteristici:

• sunt nedeplasaŃi;
• sunt consistenŃi;
• sunt ineficienŃi.

2. Valoarea lui R2 în cele mai multe cazuri este supraevaluată.

3. De regulă, valoarea statisticii t-Student, este supraevaluată,


indicând o semnificaŃie mai ridicată a estimatorilor.

07/08/2009 6
Detectarea autocorelării (1)

1. Reprezentare grafică:
• Se reprezintă grafic seria erorilor
• Se reprezintă grafic punctele de coordonate P(ei −1 , ei ) .

Se reprezintă grafic seria erorilor, prin una din cele două


procedee mai sus precizate. O formă regulată a acestui grafic,
indică prezenŃa autocorelării.

ObservaŃie: Graficul nu oferă decât recomandări pentru evaluarea


autocorelării seriei reziduurilor. Decizia finală este luată în urma
aplicării unui test statistic.

07/08/2009 7
Detectarea autocorelării (2)
2. Testul Durbin-Watson (1)

CondiŃii de aplicare:

a) Modelul de regresie trebuie să aibă termen liber;


b) Modelul nu include variabila explicată cu decalaj;
c) Se aplică numai pentru testarea autocorelării de ordinul întâi;
d) Estimarea parametrilor modelului de regresie se realizează pe baza
seriilor de timp.

Aplicarea testului în Eviews

Estimarea parametrilor modelului de regresie prin LS, permite afişarea


valorii statisticii acestui test.
07/08/2009 8
Detectarea autocorelării (3)
2. Testul Durbin-Watson (2)

Interpretarea valorii statisticii testului (DW):

a) Dacă erorile au o autocorelare de ordinul unu, caz în care verficică


relaŃia, ei = ρ ⋅ ei −1 + ui atunci, statistica testului satisface relaŃia:

DW ≈ 2(1 − ρ )
b) Dacă ρ = 0 ⇒ DW = 2 . O valoarea a DW în jurul lui 2, indică lipsa
autocorelării erorilor.
c) Dacă ρ = 1 ⇒ DW = 0 . O valoare a DW în jurul lui 0, semnalează o
corelaŃie pozitivă puternică în cadrul seriei erorilor.
d) Dacă ρ = −1 ⇒ DW = 4. O valoare a DW în jurul lui 4, semnalează o
corelaŃie negativă puternică în cadrul seriei erorilor.
07/08/2009 9
Detectarea autocorelării (4)

2. Testul Durbin-Watson (3)

Cazuri speciale

a) Dacă seriile de date sunt trimestriale, atunci se aplică testul Wallis;

b) Dacă modelul de regresie include variabila explicată cu decalaj,


atunci se aplică testul Durbin.

ObservaŃie: În general aplicarea acestui test duce la rezultatete


destul de slabe. Din acest motiv, se recomandă şi aplicarea altor
teste statistice mult mai performante.

07/08/2009 10
Detectarea autocorelării (5)
3. Testul Breusch-Godfrey (1)

Strategia de aplicare

E1: Se estimează parametrii modelului liniar de regresie (1) prin LS. Se


obŃine seria erorilor e1,...,eN.
E2: Se estimează parametrii modelului autoregresiv:

et=c1et-1+...cqet-q+vt

ObservaŃii: 1. Numărul de parametrii ai modelului (q) este egal cu ordinul


seriei de corelaŃie ce trebuie testat.
2. Pentru acest model de regresie se reŃine valoarea raportului de determinare
(R2).
3. De regulă, valoarea lui q este aleasă în funcŃie de frecvenŃa datelor.
07/08/2009 11
Detectarea autocorelării (6)
3. Testul Breusch-Godfrey (2)
E3: Valoarea statisticii şi decizia testului.

 Statistica testului BG=(N-q)R2 hi-pătrat cu N-p grade de libertate


 Dacă valoarea calculată este mai mare decât valoarea teoretică, atunci
semnalăm prezenŃa autocorelării erorilor.

Aplicarea testului în Eviews

 După estimarea parametrilor modelului prin LS se recurge la comanda

View/Residual Tests/Serial Correlation LM test...

 Se introduce valoarea parametrului q, după care se accesează <OK>.


07/08/2009 12
Detectarea autocorelării (7)
3. Testele Box-Pierce şi Ljung-Box (1)

Strategia de aplicare
E1: Se estimează parametrii modelului liniar de regresie (1) prin LS,
obŃinând seria erorilor e1,...,eN.

E2: Se calculează coeficienŃii autocorelaŃiei parŃiale pentru seria e1,...,eN:


T

∑e e t t −h
ρ̂ h = t = h +1
T

∑e
t =1
2
t

E3: Se calculează statisticile testelor:


H
• Pentru Box-Pierce: BP( H ) = N ∑ ρˆ h2 hi-pătrat cu H grade
h =1
H
ρˆ h2
• Pentru Ljung-Box: LB( H ) = N ( N + 2)∑ hi-pătrat cu H grade
h =1 N −h
07/08/2009 13
Detectarea autocorelării (8)
3. Testele Box-Pierce şi Ljung-Box (1)
E4: Dacă valoarea statisticii este mai mare ca valoarea determinată din
tabelul repartiŃiei hi-pătrat pentru H grade de libertate şi un prag de
semnificaŃie precizat, atunci se semnalează autocorelarea la nivelul
modelului de regresie.

07/08/2009 14
Rezolvarea autocorelării

1. Metoda Cochrane-Orcutt

2. Metoda Hildreth-Lu

3. Metoda verosimilităŃii maxime

07/08/2009 15
Exemplu (1)

1. Definirea modelului 1 (M1):


EI i = b + a ⋅ RPIBi + ε i , i = 1,...,23

2. Definirea modelului 2 (M2):


EI i = b + a ⋅ RPIBi + c ⋅ DV 1i + ε i , i = 1,...,23

3. Definirea modelului 3 (M3):

EI i = b + a ⋅ RPIBi + c ⋅ DV 2 i + ε i , i = 1,...,23

07/08/2009 16
Exemplu (2)

Variabile folosite:

• EI – ponderea economiei informale în PIB.

• RPIB – rata anuală de creştere a PIB.

• DV1 – variabilă dummy, care ia valoarea 1, dacă Ńara este în


fostul spaŃiu sovietic şi 0 în caz contrar.

• DV2 - variabilă dummy, care ia valoarea 1, dacă Ńara este în


UE şi 0 în caz contrar.
07/08/2009 17